Añade una media móvil continua a los datos de desempleo

Además de medidas discretas como las sumas acumuladas del año, puede interesarte añadir una suma o media móvil a tu serie temporal.

Para hacerlo, volvamos a tus datos mensuales de unemployment. Aunque puede interesarte el nivel estático de desempleo en un mes dado, para tener una visión más amplia del entorno económico conviene usar indicadores móviles a lo largo de varios meses.

Para ello, usarás el comando rollapply(), que toma un objeto de serie temporal, un tamaño de ventana width y un argumento FUN que se aplica a cada ventana móvil.

Este ejercicio forma parte del curso

Estudio de caso: Análisis de series temporales de una ciudad en R

Instrucciones del ejercicio

Usa rollapply() para calcular la media móvil anual del desempleo de EE. UU. Asegúrate de especificar la columna us de tus datos unemployment, establecer el argumento width al número adecuado de periodos mensuales y definir el argumento FUN como mean. Guarda tu media móvil en tu objeto unemployment como year_avg.
Representa tus dos indicadores de desempleo de EE. UU. (us y year_avg) usando plot.zoo(). Establece el argumento plot.type a "single" para colocar ambas medidas en el mismo panel.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Use rollapply to calculate the rolling yearly average US unemployment
unemployment$year_avg <- rollapply(___$___, width = ___, FUN = ___)

# Plot all columns of US unemployment data
plot.zoo(unemployment[, c("___", "___")], plot.type = "___", lty = lty, lwd = lwd)

Editar y ejecutar código

Este ejercicio forma parte del curso

Estudio de caso: Análisis de series temporales de una ciudad en R

IntermedioNivel de habilidad

4.9+

Comienza el curso gratis

Te han contratado para entender las necesidades de viaje de los turistas que visitan el área de Boston. Como primera tarea, pondrás en práctica las habilidades que has aprendido para manipular series temporales en R explorando datos sobre vuelos que llegan al Aeropuerto Internacional Logan de Boston (BOS) usando xts y zoo.

Exercise 1: Repaso de los fundamentos de xts Exercise 2: Identifica la serie temporal Exercise 3: Datos de vuelos Exercise 4: Elige el objeto xts Exercise 5: Codifica tus datos de vuelos Exercise 6: Manipular y visualizar tus datos Exercise 7: Explora tus datos de vuelos Exercise 8: Visualiza los datos de vuelos Exercise 9: Calcular tendencias de series temporales Exercise 10: Guardar y exportar objetos xts Exercise 11: Evaluando las tendencias de los vuelos Exercise 12: Ahorrando tiempo - I Exercise 13: Ahorrando tiempo - II

En este capítulo ampliarás tu biblioteca de series temporales para incluir datos meteorológicos del área de Boston. Antes de poder analizar, tendrás que hacer algo de manipulación de datos, como fusionar múltiples objetos xts y aislar ciertos periodos de los datos. ¡Es una gran oportunidad para seguir practicando!

Exercise 1: Unir series temporales por filas Exercise 2: Explorar datos de temperatura Exercise 3: Siguientes pasos - I Exercise 4: Combinación usando rbind()Exercise 5: Visualizar los inviernos de Boston Exercise 6: Combinar datos de series temporales por columna Exercise 7: Filtrado y ajuste de periodicidad Exercise 8: Generar una media mensual Exercise 9: Usar merge() y representar en el tiempo Exercise 10: ¿Guardan relación los retrasos de vuelos con la temperatura?Exercise 11: Flujo de trabajo con datos de series temporales Exercise 12: Próximos pasos - II Exercise 13: Ampliar tus datos Exercise 14: ¿Se relacionan los retrasos de vuelos con la visibilidad o el viento?

Ahora toca ir un poco más allá. Además de los retrasos de vuelos, a tu cliente le interesa cómo afectan las tendencias económicas a la industria turística de Boston. Necesitarás manipular algunas series temporales de indicadores económicos, incluidos el PIB per cápita y el desempleo en Estados Unidos en general y en Massachusetts (MA) en particular.

Exercise 1: Gestión de valores ausentes Exercise 2: Explorando datos económicos Exercise 3: Sustituir datos ausentes - I Exercise 4: Sustituir datos faltantes - II Exercise 5: Estimación del PIB faltante Exercise 6: Desfase y diferenciación Exercise 7: Explorar datos de desempleo Exercise 8: Desfase del desempleo Exercise 9: Diferenciar el desempleo Exercise 10: Funciones móviles Exercise 11: Añade una suma móvil discreta a los datos de PIB Exercise 12: Añade una media móvil continua a los datos de desempleo

Ejercicio actual

Exercise 13: Manipulación de datos de desempleo en MA

Tras agotar otras opciones, tu cliente cree que la industria turística de Boston debe estar relacionada con el éxito de los equipos deportivos locales. En tu tarea final de este proyecto, tu supervisor te ha pedido que reúnas algunas series temporales sobre los equipos deportivos de Boston de los últimos años.

Exercise 1: Funciones avanzadas de xts Exercise 2: Codificar y graficar datos de los Red Sox Exercise 3: Calcular una media de cierre Exercise 4: Calcula y representa una media estacional Exercise 5: Calcula y representa una media móvil Exercise 6: Comandos de indexación en xts Exercise 7: Extraer los partidos de fin de semana Exercise 8: Calcula una media móvil para todos los deportes Exercise 9: Visualizar tendencias deportivas Exercise 10: ¡Enhorabuena!